轻松学Pytorch–环境搭建与基本语法

1、环境配置

Windows10

Pytorch1.4

VS2015

Python3.6.5

Anaconda3-5.3.1-Windows-x86_64

2、Anaconda换源

2.1Anaconda

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。当你尝试pip install xxx时出现各种意外和依赖问题，那么conda就是一方良药。可以让你轻松的安装各种库并处理各种依赖问题。

2.2Anaconda安装

可以从官网下载，不过服务器在国外，所以很慢。推荐使用国内镜像网站：清华大学开源镜像站：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，下载后一直next下去安装完成即可，安装位置可以自定义。可以自己勾选add to path添加系统环境变量,或者自己安装完成后手动添加。（没有添加就不能在控制台进行命令操作）

2.3 换源

Anaconda换源
由于服务器在国外，所以更新下载很慢，建议换源到国内镜像源，在cmd控制台或者powershell下输入命令即可

清华anaconda镜像：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

conda额外库:

# pytorch
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 安装时PyTorch，官网给的安装命令需要去掉最后的-c pytorch，才能使用清华源
# conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
# msys2
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
# bioconda
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# menpo
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

额外库都是第三方提供的，非anaconda官方的，建议没有特殊需要直接使用稳定的官方库。

中科大anaconda镜像：

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

国内源也是会挂的，之前清华就挂过，后来又活了，腾讯挂了就直接死了，一旦出现一直连接失败问题就可以换回来了。

换回默认源：conda config --remove-key channels

3、基本语法演示

from __future__ import print_function
import torch
import numpy as np

print(torch.__version__)

# 定义矩阵
x = torch.empty(2, 2)
print(x)

# 定义随机初始化矩阵
x = torch.randn(2, 2)
print(x)

# 定义初始化为零
x = torch.zeros(3, 3)
print(x)

# 定义数据为tensor
x = torch.tensor([5.1, 2., 3., 1.])
print(x)

# 操作
a = torch.tensor([1.,2.,3.,4.,5.,6.,7.,8.])
b = torch.tensor([11.,12.,13.,14.,15.,16.,17.,18.])
c = a.add(b)
print(c)

# 维度变换 2x4
a = a.view(-1, 4)
b = b.view(-1, 4)
c = torch.add(a, b)
print(c, a.size(), b.size())

# torch to numpy and visa
na = a.numpy()
nb = b.numpy()
print("\na =",na,"\nb =", nb)

# 操作
d = np.array([21.,22.,23.,24.,25.,26.,27.,28.], dtype=np.float32)
print(d.reshape(2, 4))
d = torch.from_numpy(d.reshape(2, 4))
sum = torch.sub(c, d)
print(sum, "\n sum = ", sum.size())

# using CUDA
if torch.cuda.is_available():
    result = d.cuda() + c.cuda()
    print("\n result = ", result)

# 自动梯度
x = torch.randn(1, 5, requires_grad=True)
y = torch.randn(5, 3, requires_grad=True)
z = torch.randn(3, 1, requires_grad=True)
print("\nx=",x, "\ny=",y, "\nz=",z)
xy = torch.matmul(x, y)
xyz = torch.matmul(xy, z)
xyz.backward()
print(x.grad, y.grad, z.grad)

4、运行输出结果：

1.4.0
tensor([[1.1210e-44, 0.0000e+00],
        [1.4013e-45, 0.0000e+00]])
tensor([[-0.2395, -0.0214],
        [-0.1803, -0.1696]])
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
tensor([5.1000, 2.0000, 3.0000, 1.0000])
tensor([12., 14., 16., 18., 20., 22., 24., 26.])
tensor([[12., 14., 16., 18.],
        [20., 22., 24., 26.]]) torch.Size([2, 4]) torch.Size([2, 4])

a = [[1. 2. 3. 4.]
 [5. 6. 7. 8.]] 
b = [[11. 12. 13. 14.]
 [15. 16. 17. 18.]]
[[21. 22. 23. 24.]
 [25. 26. 27. 28.]]
tensor([[-9., -8., -7., -6.],
        [-5., -4., -3., -2.]]) 
 sum =  torch.Size([2, 4])

x= tensor([[-0.2528, -0.7547, -0.3037,  1.1205, -0.8601]], requires_grad=True) 
y= tensor([[-0.2925, -0.5226, -0.5754],
        [ 0.2068, -0.7954,  0.2380],
        [ 1.4205, -1.4876,  0.7595],
        [ 1.0451,  2.0408,  0.3937],
        [-0.6681, -0.3139, -0.1313]], requires_grad=True) 
z= tensor([[-2.5003],
        [ 0.6722],
        [-1.9335]], requires_grad=True)
tensor([[ 1.4927, -1.5117, -6.0203, -2.0024,  1.7133]]) tensor([[ 0.6320, -0.1699,  0.4887],
        [ 1.8869, -0.5073,  1.4592],
        [ 0.7594, -0.2042,  0.5873],
        [-2.8015,  0.7531, -2.1664],
        [ 2.1506, -0.5781,  1.6630]]) tensor([[1.2320],
        [3.7408],
        [0.2892]])

这块为学习篇，学习资源来源于opencv学堂贾老师的知识星球。

希望跟大家一起学习，加油吧 阿超没有蛀牙！